COVID-19 ဗိုင်းရပ်၏အမည်မှာ Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) ဖြစ်ပြီးထိုဗိုင်းရပ်ကြောင့်ဖြစ်သောရောဂါကို coronavirus disease(COVID-19) ဟုခေါ်ပါသည်။ Corona ဟူသောစကားလုံးသည် Latin ဘာသာဖြင့်ရေးသားထားခြင်းဖြစ်ပြီး English လို Crown ဟုအဓိပ္ပါယ်ရပါသည်။ ဗိုင်းရပ်၏ပုံသဏ္ဍပေါ်အခြေခံ၍ရေးသားခြင်းဖြစ်ပါသည်။ ဗိုင်းရပ်၏အမည်ပေးခြင်းကို International Committee on Taxonomy of Viruses (ICTV) မှပြုလုပ်ပြီး ရောဂါ၏အမည်ပေးခြင်းကို WHO မှပြုလုပ်ခြင်းဖြစ်ပါသည်။
WHO'S NAMING-and-the-virus-that-causes-it)
အထက်ပါ website များမှတဆင့်သတင်းအချက်အလက်များရယူနိင်ပါသည်။
%store -r __importing_Lib
__importing_Lib
from folium import plugins
from graphviz import Digraph
import matplotlib.gridspec as gridspec
import requests
import os
os.environ["PATH"] += os.pathsep + 'C:/Program Files/Graphviz2.38/bin/'
mpl.rcParams['xtick.minor.size'] = 0
mpl.rcParams['xtick.minor.width'] = 0
mpl.rcParams['ytick.minor.size'] = 0
mpl.rcParams['ytick.minor.width'] = 0
plt.rcParams['font.weight'] = 'bold'
plt.rcParams['axes.labelweight'] = 'bold'
plt.rcParams['axes.titleweight'] = 'bold'
covid_df = pd.read_excel('covid/COVID-19-2020-07-26.xlsx', parse_dates=['dateRep'])
covid_df.rename(columns={'countryterritoryCode': 'Country_Code'}, inplace=True)
print(covid_df.shape)
cc_dict = {
'Anguilla': 'AIA', 'Bonaire, Saint Eustatius and Saba': 'BES',
'Czechia': 'CZE', 'Falkland_Islands_(Malvinas)': 'FLK'
}
covid_df.query('countriesAndTerritories!=["Cases_on_an_international_conveyance_Japan"]', inplace=True)
covid_df.rename(columns={'countriesAndTerritories': 'Country_Name'}, inplace=True)
for c_name, c_code in cc_dict.items():
covid_df.loc[covid_df.Country_Name==c_name, 'Country_Code'] = c_code
print(covid_df.shape)
start_date = covid_df.dateRep.min().strftime('%d-%m-%Y')
last_date = covid_df.dateRep.max().strftime('%d-%m-%Y')
print(f'start_date: {start_date}', f'last_date : {last_date}', sep='\n')
total_death = covid_df.deaths.sum()
total_cases = covid_df.cases.sum()
overall_death_rate = total_death / total_cases * 100
print(f'total_death: {total_death:7,.0f}\ntotal_cases: {total_cases:7,}\noverall_death_rate: {overall_death_rate:.2f}%')
covid_df.head()
region_df = pd.read_csv('life_expectancy/Metadata_Country.csv', usecols=[0, 1, 2])
region_df.columns = 'Country_Code', 'Region', 'IncomeGroup'
region_df.dropna(subset=['IncomeGroup'], inplace=True)
region_df.head()
region_dict = {'Anguilla': ['Latin America & Caribbean', 'High income'],
'Bonaire, Saint Eustatius and Saba': ['Latin America & Caribbean', 'High income'],
'Falkland_Islands_(Malvinas)': ['Latin America & Caribbean', 'High income'],
'Guernsey': ['Europe & Central Asia', 'High income'],
'Holy_See': ['Europe & Central Asia', 'High income'],
'Jersey': ['Europe & Central Asia', 'High income'],
'Montserrat': ['Latin America & Caribbean', 'Upper middle income'],
'Taiwan': ['East Asia & Pacific', 'High income']
}
merge_df = covid_df.merge(region_df, on='Country_Code', how='left')
for cname, (reg, level) in region_dict.items():
merge_df.loc[merge_df.Country_Name==cname, ['Region', 'IncomeGroup']] = reg, level
col_to_keep = ['dateRep', 'cases', 'deaths', 'Country_Name', 'Region', 'IncomeGroup']
merge_df = merge_df.loc[:, col_to_keep]
merge_df.head()
country_df = (merge_df.groupby(['Country_Name', 'IncomeGroup'])
.agg({'cases': 'sum', 'deaths': 'sum'})
.reset_index([0, 1]))
country_df.Country_Name.replace({'Democratic_Republic_of_the_Congo': 'Congo', 'United_States_of_America': 'USA'},
inplace=True)
country_df['c_proportion'] = country_df.cases / total_cases * 100
country_df['d_proportion'] = country_df.deaths / total_death * 100
country_df['death_rate'] = country_df.deaths / country_df.cases * 100
country_df.sort_values(['d_proportion', 'c_proportion', 'death_rate'], ascending=False).head()
case_name_lst = []
case_quan_lst = []
fig, ((ax1, ax2), (ax3, ax4))= plt.subplots(2, 2, figsize=(15, 10))
income_grp = country_df.groupby('IncomeGroup')
for g_name, grp in income_grp:
temp = grp.sort_values('cases').tail()
case_name_lst.append(temp.Country_Name.iloc[-1])
case_quan_lst.append(temp.cases.iloc[-1])
ax = (ax1 if g_name=='High income' else ax2 if g_name=='Upper middle income' else ax3
if g_name=='Lower middle income' else ax4)
ax.set_title(g_name, y=1.035)
ax.barh(temp.Country_Name, temp.cases, color='steelblue')
ax.set_xlabel('Number of patients')
ax.xaxis.set_label_coords(0.5, -0.123)
for label in ax.get_xticklabels()[1::2]:
label.set_visible(False)
ax.xaxis.set_major_formatter(mpl.ticker.StrMethodFormatter('{x:,.0f}'))
for i, v in enumerate(temp.cases):
if g_name=='High income':
x = v-730_000 if v > 2_200_000 else v+10_000
elif g_name=='Upper middle income':
x = v-430_000 if v > 1_000_000 else v-340_000
elif g_name=='Lower middle income':
x = v-240_000 if v > 1_000_000 else v-195_000 if v > 200_000 else v+10_000
else:
x = v-4_500 if v > 10_000 else v-3_800
ax.text(x, i-0.1, f'{v:,}', color='white' if x < v else 'k')
plt.subplots_adjust(top=0.85, wspace=0.3, hspace=0.5)
fig.text(.5, 0.925, f'\nCOVID-19 Patients of all countries are analysed by IncomeGroup from {start_date} to {last_date}',
fontdict={'size':'x-large', 'ha':'center'})
fig.text(.5, 0.05, 'Fig_01', fontdict={'size':'x-large', 'ha':'center'});
cases_df = country_df.set_index('Country_Name').cases.sort_values().tail(10)
fig, ax= plt.subplots(1, 1, figsize=(12, 8))
ax.barh(cases_df.index, cases_df, color='steelblue')
for i, v in enumerate(cases_df):
x = (v-400_000 if v > 1_000_000 else v-320_000 if v > 340_000 else v-284_000)
ax.text(x, i-0.1, f'{v:,}', color='white')
for label in ax.get_xticklabels()[1::2]:
label.set_visible(False)
ax.xaxis.set_major_formatter(mpl.ticker.StrMethodFormatter('{x:,.0f}'))
ax.set_xlabel('Number of patients\nFig_02')
ax.set_title(f'\nCOVID_19 patients of top ten countries from {start_date} to {last_date}', y=1.035)
ax.xaxis.set_label_coords(0.5, -0.07)
top_cases = (country_df.sort_values('cases', ascending=False, ignore_index=True)
[['Country_Name', 'cases', 'c_proportion']].head(3))
fcn, scn, tcn = top_cases.Country_Name
fcq, scq, tcq = top_cases.cases
fcp, scp, tcp = top_cases.c_proportion
top_cases
death_name_lst = []
death_quan_lst = []
fig, ((ax1, ax2), (ax3, ax4))= plt.subplots(2, 2, figsize=(15, 10))
for g_name, grp in income_grp:
temp = grp.sort_values('deaths').tail()
death_name_lst.append(temp.Country_Name.iloc[-1])
death_quan_lst.append(temp.deaths.iloc[-1])
ax = (ax1 if g_name=='High income' else ax2
if g_name=='Upper middle income' else ax3
if g_name=='Lower middle income' else ax4)
ax.set_title(g_name, y=1.035)
ax.barh(temp.Country_Name, temp.deaths, color='steelblue')
ax.set_xlabel('Number of patients')
ax.xaxis.set_label_coords(0.5, -0.123)
for i, v in enumerate(temp.deaths):
if g_name=='High income':
x = v-21_000 if v > 100_000 else v-18_500
elif g_name=='Upper middle income':
x = v-10_500 #if v > 10_000 else v-5_500
elif g_name=='Lower middle income':
x = v-4_000 if v > 10_000 else v-3_200 if v > 4_000 else v-2_800
else:
x = v-130 if v > 1_000 else v-90
ax.text(x, i-0.1, f'{v:,.0f}', color='white')
for label in ax.get_xticklabels()[1::2]:
label.set_visible(False)
ax.xaxis.set_major_formatter(mpl.ticker.StrMethodFormatter('{x:,.0f}'))
plt.subplots_adjust(top=0.85, wspace=0.3, hspace=0.5)
fig.text(.5, 0.925, f'\nDeaths of COVID-19 Patients of all countries are analysed by IncomeGroup from \
{start_date} to {last_date}', fontdict={'size':'x-large', 'ha':'center'})
fig.text(.5, 0.05, 'Fig_03', fontdict={'size':'x-large', 'ha':'center'});
deaths_df = country_df.set_index('Country_Name').deaths.sort_values().tail(10)
fig, ax= plt.subplots(1, 1, figsize=(12, 8))
ax.barh(deaths_df.index, deaths_df, color='steelblue')
for i, v in enumerate(deaths_df):
x = v-12_000 if v > 100_000 else v-10_000 #if v > 10_000 else v-7_000
ax.text(x, i-0.1, f'{v:,.0f}', color='white')
for label in ax.get_xticklabels()[1::2]:
label.set_visible(False)
ax.xaxis.set_major_formatter(mpl.ticker.StrMethodFormatter('{x:,.0f}'))
ax.set_xlabel('Number of deaths\nFig_04')
ax.set_title(f'\nTen highest death toll countries from {start_date} to {last_date}', y=1.035)
ax.xaxis.set_label_coords(0.5, -0.07)
top_deaths = (country_df.sort_values('deaths', ascending=False, ignore_index=True)
[['Country_Name', 'deaths', 'd_proportion']].head(3))
fdn, sdn, tdn = top_deaths.Country_Name
fdq, sdq, tdq = top_deaths.deaths
fdp, sdp, tdp = top_deaths.d_proportion
top_deaths
drate_name_lst = []
drate_quan_lst = []
fig, ((ax1, ax2), (ax3, ax4))= plt.subplots(2, 2, figsize=(15, 10))
for g_name, grp in income_grp:
temp = grp.sort_values('deaths', ascending=False).head(10).sort_values('death_rate').tail()
drate_name_lst.append(temp.Country_Name.iloc[-1])
drate_quan_lst.append(temp.death_rate.iloc[-1])
ax = (ax1 if g_name=='High income' else ax2
if g_name=='Upper middle income' else ax3
if g_name=='Lower middle income' else ax4)
ax.set_title(g_name, y=1.035)
ax.barh(temp.Country_Name, temp.death_rate, color='steelblue')
ax.set_xlabel('Death rate')
ax.xaxis.set_label_coords(0.5, -0.123)
for label in ax.get_xticklabels()[1::2]:
label.set_visible(False)
ax.xaxis.set_major_formatter(mpl.ticker.StrMethodFormatter('{x:.0f}%'))
for i, v in enumerate(temp.death_rate):
if g_name == 'High income':
x = v-2.4
elif g_name == 'Upper middle income':
x = v-1.6 if v > 10 else v-1.4
elif g_name == 'Low income':
x = v-4 if v > 10 else v-3.2 if v > 3 else v-2.9
else:
x = v-0.6
ax.text(x, i-0.1, f'{v:.2f}%', color='white')
plt.subplots_adjust(top=0.85, wspace=0.33, hspace=0.5)
fig.text(.5, 0.925, f'\nDeath rate of COVID-19 Patients of top five countries for each IncomeGroup from \
{start_date} to {last_date}', fontdict={'size':'x-large', 'ha':'center'})
fig.text(.5, 0.05, 'Fig_05', fontdict={'size':'x-large', 'ha':'center'});
death_rate_df = country_df.sort_values('deaths').tail(10)
death_rate_ten = death_rate_df.set_index('Country_Name').death_rate.sort_values().tail(10)
fig, ax= plt.subplots(1, 1, figsize=(12, 8))
ax.barh(death_rate_ten.index, death_rate_ten, color='steelblue')
for i, v in enumerate(death_rate_ten):
x = v-1.28 if v > 10 else v-1.08
ax.text(x, i-0.1, f'{v:.2f}%', color='white')
for label in ax.get_xticklabels()[1::2]:
label.set_visible(False)
ax.xaxis.set_major_formatter(mpl.ticker.StrMethodFormatter('{x:.0f}%'))
ax.set_xlabel('Death rate\nFig_06')
ax.set_title(f'\nTen highest death rate countries from {start_date} to {last_date}', y=1.035)
ax.xaxis.set_label_coords(0.5, -0.07)
drate_df = death_rate_ten.tail(3)
trn, srn, frn = drate_df.index
tr, sr, fr = drate_df
print(f'USA: {death_rate_ten["USA"]}')
drate_df
color_dict = {'cases': 'orange', 'deaths': 'red', 'death_rate': 'steelblue'}
cumsum_df = covid_df.groupby('dateRep')[['cases', 'deaths']].sum().cumsum()
cumsum_df.query('deaths > 0', inplace=True)
cumsum_df['death_rate'] = cumsum_df.deaths / cumsum_df.cases * 100
cumsum_dmin = cumsum_df.index.min()
cumsum_dmax = cumsum_df.index.max()
cumsum_tdelta = pd.Timedelta('3 days')
temp_first_date = cumsum_dmin.strftime('%d-%m-%Y')
fig, ax= plt.subplots(1, 1, figsize=(12, 8))
ax.plot(cumsum_df.index, cumsum_df.death_rate, color='steelblue')
ax.xaxis.set_major_locator(plt.MaxNLocator(11))
ax.set_ylabel('Death rate')
ax.set_xlabel('Date\nFig_07')
ax.set_title(f'\nCOVID-19 Death rate for the whole world from {temp_first_date} to {last_date}', y=1.035)
ax.xaxis.set_label_coords(0.5, -0.18)
ax.set_xlim([cumsum_dmin-cumsum_tdelta, cumsum_dmax+cumsum_tdelta])
fig.autofmt_xdate(rotation=45);
max_day = cumsum_df.death_rate.idxmax()
min_day = cumsum_df.death_rate.idxmin()
max_drate = cumsum_df.loc[max_day].death_rate
min_drate = cumsum_df.loc[min_day].death_rate
print(min_day.strftime('%d-%m-%Y'), min_drate)
print(max_day.strftime('%d-%m-%Y'), max_drate)
pd.concat([cumsum_df.head(1), cumsum_df.tail(1)])
period_df = covid_df.groupby('dateRep').agg({'cases': 'sum', 'deaths': 'sum'})
cases_max_day = period_df.cases.idxmax()
deaths_max_day = period_df.deaths.idxmax()
period_dmin = period_df.index.min()
period_dmax = period_df.index.max()
period_tdelta = pd.Timedelta('3 days')
print('Cases:', cases_max_day.strftime('%d-%m-%Y'), f'{period_df.loc[cases_max_day].cases:>8,}')
print('Deaths:', deaths_max_day.strftime('%d-%m-%Y'), f'{period_df.loc[deaths_max_day].deaths:>7,}')
period_df.info()
period_df.head()
fig, ax= plt.subplots(1, 1, figsize=(12, 8))
ax.plot(period_df.cases, color='steelblue')
ax.plot(period_df.deaths, color='red')
ax.semilogy()
ax.xaxis.set_major_locator(plt.MaxNLocator(11))
ax.set_yticklabels([0.01, 0.1, '1', '10', '100', '1,000', '10,000', '100,000'])
ax.set_xlabel('Date\nFig_08')
ax.set_title(f'\nInfected and death of people around the world by COVID_19 from {start_date} to {last_date}', y=1.035)
ax.set_ylabel('Number of people')
ax.xaxis.set_label_coords(0.5, -0.18)
ax.set_xlim([period_dmin-period_tdelta, period_dmax+period_tdelta])
fig.autofmt_xdate(rotation=45);
_26_07_2020.gif)
- low income \$1,025 or less
- lower middle income \$1,026 and \$3,995
- Upper middle income \$3,996 and \$12,375
- High income \$12,376 or more
Classifying countries by income(World Bank)
COVID-19 ရောဂါကူးစက်ခံရသူ၊ သေဆုံးသူများ၏အရေအတွက်နှင့်ပတ်သက်သော သတင်းအချက်အလက်ကို European Centre for Disease Prevention and Control (ECDC) မှရယူခဲ့ပါသည်။
31-12-2019 မှ 26-07-2020 အထိတစ်ကမ္ဘာလုံး၌ COVID-19 ရောဂါကူးစက်ခံရသူအရေအတွက်မှာ 16,017,409 ယောက်ဖြစ်ပြီး သေဆုံးသူအရေအတွက်မှာ 644,825 ယောက်ဖြစ်ပါသည်။ ပျမ်းမျှသေဆုံးနှုန်းမှာ 4.03% ဖြစ်ပါသည်။
ဝင်ငွေအုပ်စုအလိုက် COVID-19 ရောဂါကူးစက်ခံရမှု့ကိုလေ့လာကြည့်ရာ၌ မြင့်ဆုံးဝင်ငွေအုပ်စုတွင် အရေအတွက် 4,178,027 ယောက်ဖြင့် USA မှလည်းကောင်း ၊ အလယ်အလတ်အမြင့်ဝင်ငွေအုပ်စုတွင် အရေအတွက် 2,394,513 ယောက်ဖြင့် Brazil မှလည်းကောင်း ၊ အလယ်အလတ်အနိမ့်ဝင်ငွေအုပ်စုတွင် အရေအတွက် 1,385,522 ယောက်ဖြင့် India မှလည်းကောင်း၊ အနိမ့်ဆုံးဝင်ငွေအုပ်စုတွင် အရေအတွက် 36,157 ယောက်ဖြင့် Afghanistan တို့သည်ရောဂါကူးစက်ခံရမှု့အမြင့်ဆုံးတိုင်းပြည်များဖြစ်ပါသည်(Fig_01)။
တစ်ကမ္ဘာလုံးအနေဖြင့်လေ့လာကြည့်လျှင် ရောဂါကူးစက်ခံရသူအရေအတွက်အများဆုံးတိုင်းပြည်မှာ USA ဖြစ်ပြီး အရေအတွက်အားဖြင့် 4,178,027 (26.08%) ယောက်ဖြစ်ပါသည်။ ဒုတိယနှင့်တတိယရောဂါကူးစက်ခံရသူအရေအတွက်အများဆုံးတိုင်းပြည်များမှာ Brazil နှင့် India တို့ဖြစ်ပြီး အရေအတွက်အားဖြင့် 2,394,513 (14.95%) နှင့် 1,385,522 (8.65%) ယောက်တို့ဖြစ်ပါသည်(Fig_02)။
COVID-19 ရောဂါကြောင့်သေဆုံးမှု့အား ဝင်ငွေအုပ်စုအလိုက်လေ့လာကြည့်ရာ၌ မြင့်ဆုံးဝင်ငွေအုပ်စုတွင် အရေအတွက် 146,460 ယောက်ဖြင့် USA မှလည်းကောင်း ၊ အလယ်အလတ်အမြင့်ဝင်ငွေအုပ်စုတွင် အရေအတွက် 86,449 ယောက်ဖြင့် Brazil မှလည်းကောင်း ၊ အလယ်အလတ်အနိမ့်ဝင်ငွေအုပ်စုတွင် အရေအတွက် 32,063 ယောက်ဖြင့် India မှလည်းကောင်း၊ အနိမ့်ဆုံးဝင်ငွေအုပ်စုတွင် အရေအတွက် 1,259 ယောက်ဖြင့် Afghanistan တို့သည်သေဆုံးမှု့အမြင့်ဆုံးတိုင်းပြည်များဖြစ်ပါသည်(Fig_03)။
COVID-19 ရောဂါကြောင့်သေဆုံးသူအရေအတွက်အား တစ်ကမ္ဘာလုံးအနေဖြင့်လေ့လာကြည့်တွင် သေဆုံးမှု့အများဆုံးတိုင်းပြည်မှာ USA ဖြစ်ပြီး အရေအတွက်အားဖြင့် 146,460 (22.71%) ယောက်ဖြစ်ပါသည်။ ဒုတိယနှင့်တတိယသေဆုံးသူအရေအတွက်အများဆုံးတိုင်းပြည်များမှာ Brazil နှင့် United_Kingdom တို့ဖြစ်ပြီး အရေအတွက်အားဖြင့် 86,449 (13.41%) နှင့် 45,738 (7.09%) ယောက်တို့ဖြစ်ကြပါသည်(Fig_04)။
ဝင်ငွေအုပ်စုအလိုက် COVID-19 ရောဂါကြောင့်သေဆုံးသူအရေအတွက်အများဆုံးတိုင်းပြည် 10 ခုအားရွှေးထုတ်ပြီးနောက် နိင်ငံအလိုက်သေဆုံးနှုန်းအားလေ့လာကြည့်ရာ၌ မြင့်ဆုံးဝင်ငွေအုပ်စုတွင် 16.72% ဖြင့် France မှလည်းကောင်း ၊ အလယ်အလတ်အမြင့်ဝင်ငွေအုပ်စုတွင် 11.26% ဖြင့် Mexico မှလည်းကောင်း ၊ အလယ်အလတ်အနိမ့်ဝင်ငွေအုပ်စုတွင် 4.98% ဖြင့် Egypt မှလည်းကောင်း၊ အနိမ့်ဆုံးဝင်ငွေအုပ်စုတွင် 28.32% ဖြင့် Yemen တို့သည်သေဆုံးနှုန်းအမြင့်ဆုံးတိုင်းပြည်များဖြစ်ပါသည်(Fig_05)။
COVID-19 ရောဂါကြောင့်သေဆုံးသူအရေအတွက်အများဆုံးတိုင်းပြည် 10 ခုအားရွှေးထုတ်ပြီးနောက် ထိုတိုင်းပြည်တစ်ခုချင်းအလိုက်သေဆုံးနှုန်းအားတွက်ထုတ်ကြည့်ရာတွင် France သည်သေဆုံးနှုန်းအမြင့်ဆုံးတိုင်းပြည်ဖြစ်ပြီး 16.72% ဖြစ်ပါသည်။ ထို့နောက် 15.31% ဖြင့် United_Kingdom သည်လည်းကောင်း၊ 14.28% ဖြင့် Italy တို့သည်ဒုတိယနှင့်တတိယသေဆုံးနှုန်းအမြင့်ဆုံးတိုင်းပြည်များဖြစ်ကြောင်းလေ့လာတွေ့ရှိရသည်။ COVID-19 ရောဂါကြောင့်သေဆုံးသူအရေအတွက်အများဆုံးတိုင်းပြည်ဖြစ်သော USA ၏သေဆုံးနှုန်းမှာ 3.51% ဖြစ်ပါသည်(Fig_06)။
တစ်ကမ္ဘာလုံး၌ COVID-19 ရောဂါကြောင့်အနည်းဆုံးပျမ်းမျှသေဆုံးနှုန်းမှာ 20-01-2020 တွင် 1.26% ဖြစ်ပြီးအမြင့်သေဆုံးနှုန်းမှာ 25-04-2020 တွင် 7.29% ကြောင်းတွေ့ရှိ ရပါသည်(Fig_07)။
တစ်ကမ္ဘာလုံး၌ COVID-19 ရောဂါကူးဆက်ခံရသူနှင့်သေဆုံးသူအရေအတွက်အား နေ့အလိုက်လေ့လာကြည့်ရာတွင် 23-07-2020 သည်ရောဂါကူးဆက်ခံမှု့အများဆုံးနေ့ဖြစ်ပြီး အရေအတွက်အားဖြင့် 282,209 ယောက်ဖြစ်ပါသည်။ 16-04-2020 သည်သေဆုံးသူအရေအတွက်အများဆုံးနေ့ဖြစ်ခဲ့ပြီး 10,512 ယောက်သေဆုံးကြောင်းလေ့လာတွေ့ရှိရပါသည်(Fig_08)။
myan_df = pd.read_excel('covid\covid_19.xlsx', index_col='Case_no').drop('Is_Checked', axis=1)
myan_df.Adult.replace({0:'Minor', 1:'Majority'}, inplace=True)
myan_df.Hospital.replace({'South Okkalapa Women & Children Hospital':
'South Okkalapa Specialist Hospital'}, inplace=True)
for name in [' Township', ' City', ' Town']:
myan_df.Address = myan_df.Address.str.replace(name, '')
m_start_date = myan_df.Confirm_date.min().strftime('%d-%m-%Y')
m_last_date = myan_df.Confirm_date.max().strftime('%d-%m-%Y')
number_of_patients = myan_df.Age.count()
number_of_periods = (covid_df.dateRep.max() - myan_df.Confirm_date.min()).days + 1
average_rate = number_of_patients / number_of_periods
age_min = myan_df.Age.min()
age_max = myan_df.Age.max()
print(f'start_date: {m_start_date}', f'last_date case found : {m_last_date}', sep='\n')
print(f'Total number of patients: {number_of_patients}')
print(f'Total number of periods: {number_of_periods}')
print(f'Average confirm cases per day: {average_rate:.2f}')
print(f'Minimum_age: {age_min}', f'Maximum_age : {age_max}', sep='\n')
myan_df.head()
cw_df = myan_df.set_index('Confirm_date')
cw_df = cw_df.resample('W').Age.count()
cw_df.name = 'Total'
pop_tdelta = pd.Timedelta('6 days')
pop_min_ldate = cw_df.idxmin()
pop_min_sdate = pop_min_ldate - pop_tdelta
wmin_pop = cw_df.loc[pop_min_ldate]
pop_max_ldate = cw_df.idxmax()
pop_max_sdate = pop_max_ldate - pop_tdelta
wmax_pop = cw_df.loc[pop_max_ldate]
print('Minimum', f'Start_date: {pop_min_sdate.strftime("%d-%m-%Y")}',
f'End_date{":":>3} {pop_min_ldate.strftime("%d-%m-%Y")}',
f'Patients{":":>3} {wmin_pop}', sep='\n')
print('Maximum', f'Start_date: {pop_max_sdate.strftime("%d-%m-%Y")}',
f'End_date{":":>3} {pop_max_ldate.strftime("%d-%m-%Y")}',
f'Patients{":":>3} {wmax_pop}', sep='\n')
cw_df.index = cw_df.index.strftime('%d-%m-%Y')
fig, ax= plt.subplots(1, 1, figsize=(14, 8))
ax.bar(cw_df.index, cw_df, color='steelblue')
for tup in cw_df.reset_index().itertuples():
x = tup.Index-0.06 if tup.Total < 10 else tup.Index-0.1
y = tup.Total
ax.text(x, (y-3.5 if y > 4 else y-3), f'{tup.Total}', color='white')
ax.set_xlim(-0.6, len(cw_df)-0.4)
ax.set_ylabel('Number of Patients')
ax.set_xlabel('Fig_09')
ax.set_title(f'COVID-19 Weekly total confirm cases for Myanmar from {m_start_date} to {last_date}', y=1.035)
ax.xaxis.set_label_coords(0.5, -0.18)
fig.autofmt_xdate(rotation = 45);
n = 5
count, bin_edges = np.histogram(myan_df.Age, bins=n)
age_idx = count.argsort()
portion = count/count.sum() * 100
print(count, bin_edges, portion, sep='\n')
gender_df = myan_df.Gender.value_counts().reset_index()
gender_df.columns = 'Gender', 'Total'
gender_df['Proportion'] = gender_df.Total / number_of_patients * 100
m_prop = gender_df.query('Gender=="Male"').iloc[0,-1]
f_prop = gender_df.query('Gender=="Female"').iloc[0,-1]
gender_df
adult_df = myan_df.Adult.value_counts().reset_index()
adult_df.columns = 'Adult', 'Total'
adult_df['Proportion'] = adult_df.Total / number_of_patients * 100
maj_prop = adult_df.query("Adult=='Majority'").iloc[0,-1]
min_prop = adult_df.query("Adult=='Minor'").iloc[0,-1]
adult_df
condition_df = myan_df.Condition.value_counts().reset_index()
condition_df.columns = 'Condition', 'Total'
condition_df.set_index('Condition', inplace=True)
condition_df.loc['Normal', 'Total'] = condition_df.loc['Normal', 'Total'] - 7
condition_df.loc['Recovery', 'Total'] = condition_df.loc['Recovery', 'Total'] + 7
condition_df['Proportion'] = condition_df.Total / number_of_patients * 100
condition_df.reset_index(inplace=True)
_, rq, rec_prop = condition_df.query("Condition=='Recovery'").iloc[0]
_, dq, dth_prop = condition_df.query("Condition=='Death'").iloc[0]
condition_df
infection_df = myan_df.Infection_type.value_counts().reset_index()
infection_df.columns = 'Infection_type', 'Total'
infection_df['Proportion'] = infection_df.Total / number_of_patients * 100
loc_prop = infection_df.query("Infection_type=='Local'").iloc[0,-1]
for_prop = infection_df.query("Infection_type=='Foreign'").iloc[0,-1]
infection_df
q_df = myan_df.Is_Q.value_counts().reset_index()
q_df.columns = 'Is_Q', 'Total'
q_df['Proportion'] = q_df.Total / number_of_patients * 100
y_prop = q_df.query("Is_Q=='Yes'").iloc[0,-1]
n_prop = q_df.query("Is_Q=='No'").iloc[0,-1]
q_df
fig, ((ax1, ax2, ax3), (ax4, ax5, ax6))= plt.subplots(2, 3, figsize=(15, 10))
myan_df.Age.plot.hist(bins=n, xticks=bin_edges, color='steelblue', ax=ax1)
ax1.set_ylabel('Number of patients')
ax1.set_xlim(myan_df.Age.min()-1, myan_df.Age.max()+1)
ax1.yaxis.set_label_coords(-0.13, 0.5)
ax1.set_title('Age of Patients', y=1.035)
xs = ['Gender', 'Adult', 'Condition', 'Infection_type', 'Is_Q']
palettes = {'Gender': ['orange', 'steelblue'], 'Adult': ['orange', 'steelblue'],
'Condition': ['red', 'green', 'steelblue'], 'Infection_type': ['orange', 'steelblue'],
'Is_Q': ['orange', 'steelblue']}
axs = [ax2, ax3, ax4, ax5, ax6]
orders = {'Gender': ['Female', 'Male'], 'Adult': ['Minor', 'Majority'],
'Condition':['Death', 'Recovery', 'Normal'], 'Infection_type': ['Local', 'Foreign'],
'Is_Q': ['No', 'Yes']}
titles = {'Gender': 'Gender of Patients', 'Adult': 'Adult of Patients', 'Condition': 'Condition of Patients',
'Infection_type': 'Infection type of Patients', 'Is_Q': 'Quarantine vs Not'}
for col, ax in zip(xs, axs):
sns.countplot(col, data=myan_df, palette=palettes[col], ax=ax, order=orders[col])
ax.set_title(titles[col], y=1.035)
ax.set(xlabel=None, ylabel=None) if ax!=ax4 else ax.set(xlabel=None, ylabel='Number of patients')
ax.yaxis.set_label_coords(-0.13, 0.5) if ax==ax4 else None
plt.subplots_adjust(top=0.85, wspace=0.3, hspace=0.4)
fig.text(.5, 0.925, f'\nCOVID-19 Patients of Myanmar are analysed by each attribute from {m_start_date} to {last_date}',
fontdict={'size':'x-large', 'ha':'center'})
fig.text(.5, 0.05, 'Fig_10', fontdict={'size':'x-large', 'ha':'center'});
tsp_df = myan_df.query('State=="Yangon"').Address.value_counts().reset_index()
tsp_df.columns = 'Township', 'Total'
tsp_df.sort_values(['Total', 'Township'], ignore_index=True, inplace=True)
fig, ax= plt.subplots(1, 1, figsize=(14, 8))
ax.bar(tsp_df.Township, tsp_df.Total, color='steelblue', width=0.9)
for tup in tsp_df.itertuples():
x = tup.Index-0.1 if tup.Total < 10 else tup.Index-0.25
y = tup.Total
ax.text(x, (y-1.5 if y > 1 else y-0.9), f'{tup.Total}', color='white')
ax.set_xlim(-.8, len(tsp_df)-0.2)
ax.set_ylabel('Number of patients')
ax.set_xlabel('Fig_11')
ax.set_title(f'\nCOVID-19 patients in each area of Yangon from {m_start_date} to {last_date}', y=1.035)
fig.autofmt_xdate(rotation = 45);
rec_df = pd.read_excel('covid\covid_19.xlsx', sheet_name='rel_data', index_col='Case_no')
rec_df.query('Condition=="Recovery"', inplace=True)
rec_df = rec_df.reset_index().drop_duplicates('Case_no').set_index('Case_no')
merge_df = (myan_df[['Confirm_date', 'Age', 'Gender', 'Address', 'State']]
.merge(rec_df, left_index=True, right_index=True))
merge_df.drop(['Time', 'Condition'], axis=1, inplace=True)
merge_df['rec_per'] = (merge_df.Date - merge_df.Confirm_date).dt.days
merge_df['age_grp'] = pd.cut(merge_df.Age, range(0, 91, 10))
merge_df['rec_mask'] = merge_df.rec_per.apply(lambda x: 'Over_30' if x > 30 else 'Within_30')
avg_rec_periods = merge_df.rec_per.mean()
tot_recovery = len(merge_df)
min_rec = merge_df.rec_per.min()
max_rec = merge_df.rec_per.max()
print(f'Total_recovery_patients: {tot_recovery:}')
print(f'average_recovery_periods: {avg_rec_periods:.2f}')
print(f'minimum_recovery_periods: {min_rec}')
print(f'maximum_recovery_periods: {max_rec}')
merge_df.head()
summary_gen_rec = merge_df.groupby('Gender')['rec_per'].describe()
summary_gen_rec
fig, [(ax1, ax2), (ax3, ax4)]= plt.subplots(2, 2, figsize=(15, 10))
n2=7
for gen, ax in zip(["Male", "Female"], [(ax1, ax3), (ax2, ax4)]):
temp_df = merge_df.loc[merge_df.Gender==gen]
sns.boxplot(x= 'rec_per', y='Gender', data=temp_df, color='orange', ax=ax[0])
_, rec_bin_edges = np.histogram(temp_df.rec_per, n2)
temp_df.rec_per.plot.hist(bins=n2, color='steelblue', ax=ax[1], xticks=rec_bin_edges)
ax[0].set_xlabel(None)
ax[0].set_ylabel(None)
ax[0].set_title(f'Box plot for {gen}', y=1.045)
ax[1].set_xlabel('Recovery periods')
ax[1].set_ylabel('Number of recovery patients' if ax[1]==ax3 else None)
ax[1].set_title(f'Histogram for {gen}', y=1.045)
plt.subplots_adjust(top=0.85, wspace=0.3, hspace=0.3)
fig.text(.5, 0.925, f'\nCOVID-19 recovery patients of Myanmar from {m_start_date} to {last_date}',
fontdict={'size':'x-large', 'ha':'center'})
fig.text(.5, 0.05, 'Fig_12', fontdict={'size':'x-large', 'ha':'center'});
gen_age_summary = merge_df.groupby(['Gender', 'age_grp']).describe()
gen_age_summary
fig, ax= plt.subplots(1, 1, figsize=(14, 8))
sns.boxplot(x='age_grp', y='rec_per', hue='Gender', data=merge_df, palette=['steelblue', 'orange'], ax=ax)
ax.set_xlabel('Age groups\nFig_13')
ax.set_ylabel('Recovery periods')
ax.set_title(f'Recovery patients are analysed by Age groups and Gender', y=1.045)
ax.xaxis.set_label_coords(0.5, -0.07);
rec_gen_df = (merge_df.rec_mask.value_counts()/tot_recovery*100)
within_30 = rec_gen_df.loc['Within_30']
over_30 = rec_gen_df.loc['Over_30']
within_30, over_30
over30_df = merge_df.query('rec_per>30')
overtemp = over30_df.State.value_counts(ascending=True)
data = overtemp.to_dict()
fig = plt.figure(1,
FigureClass=Waffle,
figsize=(8.5,7.5),
rows=6,
colors=('midnightblue', 'brown', 'gold', 'darkgreen', 'olive', 'purple', 'red', 'orange', 'steelblue'), #DCB732
values=data,
title={'label': '\nRecovery patients over 30 days by State and by Gender', 'x':0.87,'y':1.15, 'fontsize':20},
labels=[f'{k} ({v})' for k,v in data.items()],
legend={'loc': 'lower center', 'bbox_to_anchor': (0.5, -0.4),'ncol': 3, 'fontsize':13},
interval_ratio_y=0.45,
icons='child',
icon_size=35.0,
icon_legend=True,
starting_location='NW',
)
fig.set_facecolor('#EEEEEE')
f = plt.gcf()
f.update({'tight_layout':False})
ax = f.add_axes([1.065,0.25,0.3,0.42])
sns.countplot(x='Gender', data=over30_df, ax=ax, palette=['orange', 'steelblue'], order=['Female', 'Male'])
ax.yaxis.tick_right()
ax.yaxis.set_label_position('right')
ax.yaxis.set_label_coords(1.2, 0.5)
ax.set(xlabel=None, ylabel='Number of recovery patients\n')
fig.text(0.75, 0.04, 'Fig_14\n', fontdict={'size':'xx-large', 'ha':'center'});
st_name, st_value = overtemp.reset_index().iloc[-1]
print(st_name,st_value)
gender_over30_df = over30_df.Gender.value_counts()
male,female = gender_over30_df
print(male,female)
gender_over30_df
state_df = myan_df.State.value_counts().reset_index()
state_df.columns = 'State', 'Total'
state_min = state_df.Total.min()
state_max = state_df.Total.max()
state_df['Proportion'] = state_df.Total / number_of_patients * 100
state_df['norm'] = np.log(state_df.Total)
st_tot, st_prop = state_df.Total.iloc[0], state_df.Proportion.iloc[0]
state_df
myan_map = folium.Map(location=[19.9940,96.0864],
tiles='StamenToner',
zoom_start=5)
folium.Choropleth(
geo_data='myanmar(original).json',
data=state_df,
columns=['State', 'norm'],
bins=4,
key_on='feature.properties.ST',
nan_fill_color='white',
line_color='black',
fill_color='Paired',
fill_opacity=1,
line_opacity=1,
legend_name ='COVID-19',
name="COVID-19 patients of each state",
overlay=True,
highlight = True).add_to(myan_map)
folium.LayerControl().add_to(myan_map)
myan_map.save('Myanmar_covid-19_map.html')
myan_map
myan2_map = folium.Map([19.9940,96.0864],zoom_start=5)
cluster = plugins.MarkerCluster().add_to(myan2_map)
host_lst = ['Naypyitaw General Hospital', 'Kengtung General Hospital', 'Magway Regional Hospital',
'Yangon General Hospital', 'Sagaing General Hospital', 'Pathein General Hospital', 'Thandwe District Hospital',
'Hpa-An General Hospital']
host_lst2 = ['Mawlamyine General Hospital', 'Myitkyina General Hospital', 'Maungdaw General Hospital',
'Toungup Township Hospital', 'Buthidaung General Hospital']
host_lst3 = ['South Okkalapa Specialist Hospital', 'Defence Services Liver Hospital' ]
for t in myan_df.reset_index().itertuples():
if t.Condition != 'Normal':
continue
html=f'''<div style="font-size:9pt; background-color:steelblue; color:white;">
<div style="padding:3.5px 0; line-height:1.4;">
<b style="padding:0 7px;">Case_no
<span style="padding: 0 1px 0 30.75px;">:</span>
</b>{t.Case_no:02d}<br>
<b style="padding:0 7px;">Age
<span style="padding: 0 1px 0 54.35px;">:</span>
</b>{t.Age}<br>
<b style="padding:0 7px;">Gender
<span style="padding: 0 1px 0 36px;">:</span>
</b>{t.Gender}<br>
<b style="padding:0 7px;">Condition
<span style="padding: 0 1px 0 23.5px;">:</span>
</b>{t.Condition}<br>
<b style="padding:0 7px;">Address
<span style="padding: 0 1px 0 33px;">:</span>
</b>{t.Address}<br>
<b style="padding:0 7px;">State
<span style="padding: 0 1px 0 49px;">:</span>
</b>{t.State}<br>
<b style="padding:0 7px;">Hospital
<span style="padding: 0 1px 0 32px;">:</span>
</b>{t.Hospital}<br>
</div>
</div>
'''
width = (304 if t.Hospital in host_lst3 else 282 if t.Hospital in host_lst2
else 271 if t.Hospital in host_lst else 251)
ifram=folium.IFrame(html, width=width, height=135)
popup=folium.Popup(ifram)
icon=folium.Icon(color='green' if t.Condition == 'Recovery' else 'cadetblue'
if t.Condition != 'Death' else 'red')
folium.Marker([t.Lat, t.Long], popup=popup, icon=icon).add_to(cluster)
myan2_map
23-03-2020 မှ 26-07-2020 အထိမြန်မာနိင်ငံ၌ COVID-19 ရောဂါကူးစက်ခံရသောလူအရေအတွက်မှာ 350 ယောက်ဖြစ်ပြီး၊ 6 ဦးသေဆုံး၍ ရောဂါကင်းစင်သွားသူ 290 ဦးရှိပါသည်။ မြန်မာနိင်ငံ၌ COVID-19 ရောဂါကူးစက်ခံရသူများတွင် အသက် 1 နှစ် 6 လသည်အသက်အငယ်ဆုံးဖြစ်ပြီး အသက်အကြီးဆုံးမှာ 87 နှစ်ဖြစ်ကြောင်းတွေ့ရှိရသည်။တစ်နေ့လျှင်ပျမ်းမျှ 2.78 ယောက်ရောဂါကူးစက်ခံနေရပါသည်။ မြန်မာနိင်ငံ၌ COVID-19 ရောဂါအတည်ပြုလူနာတွေ့ရှိရမှု့အနည်းဆုံးမှာ 11-05-2020 ရက်မှ 17-05-2020 အကြားဖြစ်ပြီး 4 ယောက်ဖြစ်ပါသည်။ အတည်ပြုလူနာတွေ့ရှိရမှု့အများဆုံးမှာ 13-04-2020 ရက်မှ 19-04-2020 အကြားဖြစ်ပြီးအရေအတွက်အားဖြင့် 72 ဖြစ်ကြောင်းတွေ့ရှိရသည်။
ရောဂါကူးစက်ခံရသူအရေအတွက်အများဆုံးအသက်အပိုင်းအခြားမှာ 18.6 မှ 35.7 နှစ်အကြားဖြစ်ပြီး 173 (49.43%) ယောက်ဖြစ်ပါသည်။ ဒုတိယအများဆုံးမှာ 35.7 မှ 52.8 နှစ်အကြားဖြစ်ပြီး 94 (26.86%) ယောက်ဖြစ်ပါသည်။ ရောဂါကူးစက်ခံရမှု့၏ 61.71% မှာအမျိုးသားများဖြစ်ပြီး အမျိုးသမီးများ၏ရောဂါကူးစက်ခံရနှုန်းမှာ 38.29% ဖြစ်ပါသည်။
အသက် 18 နှစ်မှအထက်ရောဂါကူးစက်ခံရသောနှုန်းမှာ 94.57% ဖြစ်ပြီး အသက် 18 နှစ်အောက်ရောဂါကူးစက်ခံရသောနှုန်းမှာ 5.43% ဖြစ်ပါသည်။ မြန်မာနိင်ငံ၌ COVID-19 ရောဂါကြောင့်သေဆုံးနှုန်းမှာ 1.71% ဖြစ်ပြီး ရောဂါပျောက်ကင်းမှု့နှုန်းမှာ 82.86% ကြောင်းတွေ့ရှိရသည်။ ရောဂါကူးစက်ခံရသူများ၏ 54.29% သည်ပြည်ပမှကူးစက်ခံရသူများဖြစ်ပြီး ပြည်တွင်းကူးစက်ခံရသောနှုန်းမှာ 45.71% ဖြစ်ကြောင်းလေ့လာတွေ့ရှိရပါသည်။ ရောဂါကူးစက်ခံရသူများ၏ 82.86% သည်အသွားအလာကန့်သတ်ထားသူများဖြစ်ပြီး 17.14% သည်အသွားအလာကန့်သတ်ထားခြင်းမရှိသူများဖြစ်ကြာင်းတွေ့ရှိရသည်။
မြန်မာနိင်ငံ၌ရောဂါကူးစက်ခံရသူအများဆုံးရှိသောဒေသမှာ ရန်ကုန်တိုင်းဒေသကြီးဖြစ်ပြီး 231 (66.00%) ယောက်ဖြစ်ပါသည်။ ရန်ကုန်တိုင်းဒေသကြီးတွင် အင်းစိန်မြို့နယ်သည် ရောဂါဖြစ်ပွါးမှု့အများဆုံးဖြစ်ပြီး အရေအတွက်အားဖြင့် 48 ယောက်ဖြစ်ပါသည်။ မြန်မာနိင်ငံ၌ COVID-19 ရောဂါမဖြစ်ပွါးသောနေရာအဖြစ် ကယားပြည်နယ်သာကျန်ရှိတော့ကြောင်းကိုတွေ့ရှိရပါသည်။
မြန်မာနိင်ငံ၌ COVID-19 ရောဂါခံစားရသောလူနာများ ရောဂါကင်းစင်ဖို့ရန်ပျမ်းမျှကြာချိန်သည် 26.13 ရက်ဖြစ်ပါသည်။ ရောဂါကင်းစင်ရန်အနိမ့်ဆုံးကြာချိန်မှာ 11 ရက်ဖြစ်ပြီး အမြင့်ဆုံးကြာချိန်မှာ 66 ရက်ဖြစ်ကြောင်းတွေ့ရှိရပါသည်။ COVID-19 ရောဂါခံစားရသော အမျိုးသမီးများ၏ ရောဂါကင်းစင်ရန်အနိမ့်ဆုံးကြာချိန်သည် 11 ရက်ဖြစ်ပြီး 66 ရက်သည်အမြင့်ဆုံးကြာချိန်ဖြစ်ကြောင်းတွေ့ရှိပါသည်။ အမျိုးသားများ၏ COVID-19 ရောဂါကင်းစင်ရန်အနိမ့်ဆုံးကြာချိန်မှာ 12 ရက်ဖြစ်ပြီး အမြင့်ဆုံးကြာချိန်မှာ 63 ရက်ဖြစ်ပါသည်။ အသက်အုပ်စု (0, 10] တွင်အမျိုးသမီးများသည် အမျိုးသားများထက် ရောဂါလျင်မြန်စွာပျောက်ကင်းကြောင်းတွေ့ရှိရပြီး (70, 80] အုပ်စုတွင် အမျိုးသားများသည် အမျိုးသမီးများထက် ရောဂါပျောက်ကင်းမှု့မြန်ဆန်ကြောင်းတွေ့ရှိရသည်။ (40, 50] အသက်အုပ်စု၏ COVID-19 ရောဂါကင်းစင်ရန်အနိမ့်ဆုံးကြာချိန်သည် 14 ရက်ဖြစ်ပြီး အမြင့်ဆုံးကြာချိန်မှာ 66 ရက်ကြောင်းတွေ့ရှိရသည်။ (40, 50] အသက်အုပ်စုသည်ရောဂါကင်းစင်ရန် ကြာချိန်အတိုင်းအတာအကျယ်ပြန့်ဆုံး အုပ်စုဖြစ်ကြောင်း တွေ့ရှိရသည်။
COVID-19 ရောဂါပျောက်ကင်းသူစုစုပေါင်း၏ 68.90% သည်ရက်သုံးဆယ်အတွင်ရောဂါပျောက်ကင်းပြီး 31.10% သည်ရက်သုံးဆယ်ကျော်မှ ရောဂါပျောက်ကင်းကြောင်း တွေ့ရှိရပါသည်။ ရက်သုံးဆယ်ကျော်မှ COVID-19 ရောဂါပျောက်ကင်းသူစုစုပေါင်းမှာ 88 ယောက်ဖြစ်ပြီး အမျိုးသား 52 ယောက်၊ အမျိုးသမီး 36 ယောက်ဖြစ်ကြောင်းတွေ့ရှိရသည်။ ရက်သုံးဆယ်ကျော်မှ COVID-19 ရောဂါပျောက်ကင်းသူအများစုသည် ရန်ကုန်တိုင်းဒေသကြီးမှဖြစ်ပြီး အရေအတွက်အားဖြင့် 65 ယောက်ဖြစ်ပါသည်။
.png)
မှတ်ချက်¶
1. MOHS မှထုတ်ပြန်ချက်တွင် မည်သူ့ထံမှတဆင့်ရောဂါကူးစက်ခံရသည်ကို လူနာအမှတ်စဥ်ဖြင့်သော်လည်းကောင်း၊ လူနာအမှတ်စဥ်မပါ၍သော်လည်းကောင်းဖော်ပြလေ့ရှိပါသည်။ ထို့ကြောင့် တဆင့်ရောဂါကူးစက်ခံရမှု့ကိုဖော်ပြသောပုံသည် ရရှိသောသတင်းအချက်အလက်အပေါ်အခြေခံ၍ရေးဆွဲထားသောကြောင့် ပြည့်စုံသည်ဟုမဆိုနိင်ပါ။
2. MOHS မှထုတ်ပြန်ချက်တွင် ရောဂါကင်းစင်သွားသူ 290 ဦးရှိသည်ဟုဖော်ပြသော်လည်း လူနာအမှတ်စဥ်ဖြင့်ဖော်ပြသည့်အရေအတွက်မှာ 283 ယောက်သာရှိပါသည်။ ထိုလူနာအမှတ်စဥ်များကိုဇယားတွင်ဖော်ပြထားပါသည်။
| Case_no | Case_no | Case_no | Case_no | Case_no | Case_no | Case_no | Case_no | Case_no | Case_no | Case_no | Case_no | Case_no |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 6 | 7 | 8 | 9 | 11 | 12 | 14 | 15 | 18 |
| 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 |
| 32 | 33 | 34 | 35 | 36 | 38 | 40 | 41 | 42 | 43 | 44 | 45 | 46 |
| 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 |
| 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 |
| 73 | 74 | 75 | 77 | 78 | 79 | 81 | 82 | 83 | 84 | 85 | 87 | 88 |
| 89 | 90 | 91 | 92 | 93 | 95 | 96 | 97 | 98 | 99 | 100 | 101 | 102 |
| 103 | 104 | 105 | 106 | 107 | 108 | 109 | 112 | 113 | 114 | 115 | 116 | 117 |
| 118 | 119 | 120 | 121 | 122 | 123 | 124 | 125 | 126 | 127 | 128 | 129 | 130 |
| 131 | 132 | 133 | 134 | 135 | 136 | 137 | 138 | 139 | 140 | 141 | 142 | 143 |
| 144 | 145 | 146 | 147 | 148 | 149 | 150 | 151 | 152 | 153 | 154 | 155 | 156 |
| 157 | 158 | 159 | 160 | 161 | 162 | 163 | 164 | 165 | 166 | 167 | 168 | 169 |
| 170 | 171 | 172 | 173 | 174 | 175 | 176 | 177 | 178 | 179 | 180 | 181 | 182 |
| 183 | 184 | 185 | 186 | 187 | 188 | 189 | 190 | 191 | 192 | 193 | 194 | 195 |
| 196 | 197 | 198 | 199 | 200 | 201 | 202 | 204 | 205 | 207 | 209 | 210 | 212 |
| 213 | 215 | 216 | 217 | 218 | 220 | 221 | 222 | 223 | 224 | 225 | 226 | 227 |
| 228 | 229 | 230 | 231 | 232 | 233 | 234 | 235 | 236 | 237 | 242 | 243 | 244 |
| 245 | 246 | 247 | 248 | 249 | 250 | 252 | 253 | 255 | 258 | 259 | 262 | 263 |
| 264 | 265 | 266 | 267 | 268 | 270 | 271 | 272 | 273 | 274 | 275 | 276 | 277 |
| 278 | 280 | 281 | 282 | 283 | 284 | 285 | 286 | 287 | 289 | 290 | 291 | 292 |
| 293 | 294 | 295 | 296 | 297 | 298 | 299 | 301 | 302 | 303 | 304 | 305 | 306 |
| 307 | 312 | 313 | 314 | 317 | 318 | 325 | 328 | 329 | 330 |
3. ECDC မှ COVID-19 နှင့်ပတ်သက်သောသတင်းအချက်အလက်အား မြန်မာစံတော်ချိန်ညနေ 06:00 ဝန်ကျင်၌ရယူခဲ့ပါသည်။
Author: MIN KYAW ZAW
E-mail: minkyawzraw@gmail.com
LinkedIn: www.linkedin.com/in/minkyawzaw